本文介绍了视觉SLAM的重要发展历程，包括MonoSLAM、PTAM、ORB-SLAM、LSD-SLAM、SVO等开源方案的优缺点，并探讨了未来SLAM的发展趋势，如视觉+惯性导航融合和语义SLAM。SLAM领域的进步离不开开源社区的贡献，而结合新技术如深度学习和多传感器融合，SLAM将更加实用且精确。
作者：高翔，张涛，刘毅，颜沁睿。
编者按：本文节选自图书《视觉SLAM十四讲：从理论到实践》，系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，又包括计算机视觉的算法实现。此外，还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。
当前的开源方案
本文将带着读者去看看现有的SLAM方案能做到怎样的程度。特别地，我们重点关注那些提供开源实现的方案。在SLAM研究领域，能见到开源方案是很不容易的。往往论文中介绍理论只占20%的内容，其他80%都写在代码中，是论文里没有提到的。正是这些研究者们的无私奉献，推动了整个SLAM行业的快速前进，使后续研究者有了更高的起点。在我们开始做SLAM之前，应该对相似的方案有深入的了解，然后再进行自己的研究，这样才会更有意义。
本讲的前半部分将带领读者参观一下当前的视觉SLAM方案，评述其历史地位和优缺点。表1列举了一些常见的开源SLAM方案，读者可以选择感兴趣的方案进行研究和实验。限于篇幅，我们只选了一部分有代表性的方案，这肯定是不全面的。在后半部分，我们将探讨未来可能的一些发展方向，并给出当前的一些研究成果。
| 方案名称 | 传感器形式 | 地址 |
|---|---|---|
| MonoSLAM | 单目 | https://github.com/hanmekim/SceneLib2 |
| PTAM | 单目 | http://www.robots.ox.ac.uk/~gk/PTAM/ |
| ORB-SLAM | 单目为主 | http://webdiis.unizar.es/~raulmur/orbslam/ |
| LSD-SLAM | 单目为主 | http://vision.in.tum.de/research/vslam/lsdslam |
| SVO | 单目 | https://github.com/uzh-rpg/rpg_svo |
| DTAM | RGB-D | https://github.com/anuranbaka/OpenDTAM |
| DVO | RGB-D | https://github.com/tum-vision/dvo_slam |
| DSO | 单目 | https://github.com/JakobEngel/dso |
| RTAB-MAP | 双目/RGB-D | https://github.com/introlab/rtabmap |
| RGBD-SLAM-V2 | RGB-D | https://github.com/felixendres/rgbdslam_v2 |
| Elastic Fusion | RGB-D | https://github.com/mp3guy/ElasticFusion |
| Hector SLAM | 激光 | http://wiki.ros.org/hector_slam |
| GMapping | 激光 | http://wiki.ros.org/gmapping |
| OKVIS | 多目+IMU | https://github.com/et |
最低0.47元/天 解锁文章
扫一扫
17万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
